计算机实践数学实验报告.docxVIP

计算机实践数学实验报告（一）实验名称：神经网络模型问题描述利用算法及函数，研究以下各函数的逼近问题对每一函数要完成如下工作：获取两组数据，一组作为训练集，一组作为测试集；利用训练集训练一个单隐层的网络；用测试集检验训练结果，改变隐层单元数，研究它对逼近效果的影响. 2．给定待拟合的曲线形式为在上等间隔取11个点的数据，在此数据的输出值上加均值为0，均方差的正态分布噪声作为给定训练数据，用多项式拟合此函数，分别取多项式的阶次为1，3和11阶，图示出拟合结果，并讨论多项式阶次对拟合结果的影响. 实验目的运用神经网络模型的知识解决上述问题；改变网络构造，研究不同逼近效果. 高次多项式拟合出现的现象. 实验原理与数学模型问题一利用多层前馈网络求解. 输入层每个数据包含两个元素，分别为自变量和因变量. 输出层包含一个元素目的是将结果进行区分. 判断输入的数据是否满足相应的函数关系. 所以输出层的结果为，分别表示满足函数关系. 多层前馈网络单隐层的单元个数对输出结果的逼近有一定的影响. 不一定会出现准确的，可能接近于1. 改变其个数查看相应的逼近效果. 问题二用不同阶多项式拟合函数，也可以选取多层前馈网络. 单隐层单元数目对应阶数. 输入层包含一个元素即自变量. 输出层包含一个元素即因变量. 选取数据并加入高斯噪声后进行训练，得到不同的网络. 再对数据进行预测，得到多项式拟合结果. 主要内容：针对选取训练集：输入为. 输出均为测试集：输入为：. 将训练级和测试集放在一个图中，它们是同一个函数上的点. 网络结构选定相应的参数，对数据进行训练. 将分别将训练集和测试集代入网络结构，得到输出结果. 单隐层设置不同的单元数进行训练. 针对第二个函数进行类似操作. 针对问题二中的函数选取, 对加均值为0，均方差的正态分布噪声后的结果作为训练集. 网络结果中单隐层单元数分别设置. 其它参数做相应设定后进行训练. 对进行预测，做出图像. 实验过程记录第一题第一个函数的代码如下（第二个函数的类似，不列出）：clearall;x1=1:10:91;y1=1./x1;x11=5:30:95;y11=1./x11;p1=[x1;y1];p11=[x11;y11];pr=minmax(p1);goal=ones(1,10);plot(p1(1,:),p1(2,:),h,p11(1,:),p11(2,:),o) net=newff(pr,[10,1],{logsig,logsig}); net.trainParam.show = 10;net.trainParam.lr = 0.05; net.trainParam.goal = 1e-10; net.trainParam.epochs = 50000; net = train(net,p1,goal); x=[p11];y0=sim(net,p1)y=sim(net,x)第二题的部分代码如下：clearall;x=0:0.1:1y0=0.5+0.4*sin(2*pi*x)noise=normrnd(0,0.05,1,11);y0=y0+noise;net2=newff(pr,[4,1],{logsig,logsig}); net2.trainParam.show = 10;net2.trainParam.lr = 0.05; net2.trainParam.goal = 1e-10; net2.trainParam.epochs = 50000; net2 = train(net2,x,goal); y2=sim(net2,x)plot(x,y0,h,x,y1,o,x,y2,.,x,y3,*)实验结果及实验总结第一题：不同单元个数下的预测结果3个1.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00001.00008个0.99980.99980.99970.99970.99970.99980.99991.00001.00001.00000.99990.99971.00001.0000可以看出，单隐层的元素个数不同会影响拟合的值，但影响程度不大。两个函数的训练集和测试集的选取注：为方便计算，采取间隔选取的方式。实际应用中可能不是这样。第二题不同阶数的多项式拟合结果1阶0.50210.69840.87960.87270.78110.45600.29900.27550.27250.27210.27213阶0.50210.69810.87990.89000.75790.48050.25350.22070.00670.37640.516911阶0.50210.69840.87890.89200.75640.48140.2531